摘要： 2026年8月，《Nature Reviews Drug Discovery》刊发16位学者联合署名的综述，系统复盘人工智能在药物研发领域十年的应用历程，并提出七个核心问题。本文转述其核心观点，并结合深度甲基（DeepoMe）与清华大学未来实验室联合发表的SteeraMed研究，讨论"人体尺度模块地图"如何回应这七问：以数据与知识双驱动定义模块、以网络级建模处理生命系统涌现性、以虚拟患者推演干预响应、以复测闭环完成个体级前瞻验证。文末简述该技术路线在长寿医学方向的产业化应用。

关键词： AI制药；世界模型；模块化表征；虚拟患者；干预响应预测

1 引言

2026年8月，Nature旗下综述期刊《Nature Reviews Drug Discovery》刊发16位学者联合署名的观点文章"Artificial intelligence in drug discovery: what it is, where we stand and the path forward"[1]。文章将AI制药领域长期存在的"AI将颠覆一切"与"AI制药没有实据"的两极争论，推向更具建设性的层面：AI究竟该在药物研发的哪个环节证明自身价值？又该用什么样的数据、什么样的模型、什么样的验证标准来完成证明？

综述给出衡量价值的核心标尺：对药物上市总成本影响最大的变量，是II期临床成功率；采用生物标志物完成患者分层的项目，单次成功上市的资本化成本仅为未分层项目的一半。

七个问题归结到一处，是在追问同一件事：AI制药需要一张什么样的"模块地图"——数据如何组织、知识如何表示、验证如何闭环。深度甲基与清华大学未来实验室联合发表的SteeraMed研究[2]（该论文已在 Preprints.org 网站发布，编号 202608.0998），可视为对这张地图的一次工程化施工。本文逐问转述综述观点并讨论对应的技术回应。

2 方向之问2.1 赛道错位：II期临床才是胜负手

综述指出，当前AI应用高度集中于临床前分子发现环节，形成"路灯下找钥匙"的行业常态；而决定新药上市总成本的核心变量是II期临床成功率——药物疗效首次接受人体真实检验、患者异质性最强的"死亡谷"阶段。

SteeraMed的对应实践：建模重心直接置于II期响应预测——以可驾驭世界模型构建虚拟患者，预测个体对干预的响应；干预后通过复测检验预测准确性。该环节对应每个成功上市药物近9亿美元的成本，响应人群分层可将单个成功上市成本降至约一半。

2.2 概念混淆：配体不等于药物

综述厘清"配体等同于药物"的误区：配体仅需与靶点产生生化结合活性，药物须在疗效、安全性、成药性、耐受性等维度全面达标。

SteeraMed的对应实践：模块地图在分子级事件与人体疗效之间补充"功能"层——将分子级事件映射至模块级功能变化（通路活性、细胞过程、器官功能），虚拟患者推演"分子—模块—人体"的完整链路，而非止步于体外结合曲线。

3 方法之问3.1 生物数据的条件性与认知不透明性

综述指出生物数据高度条件性（同一药物对不同患者效果差异显著）且认知不透明（生命科学暂无统一第一性原理），传统监督学习模型因此可靠性不足。

SteeraMed的对应实践：以独有数据集成构建统一表征底座——DNA甲基化多组学压缩表征、文献知识网络与真实检测数据多源融合，将条件性读数映射至统一的人体尺度表征空间。

3.2 数据与知识的鸿沟

综述界定：单纯采集是数据，能从功能层面解析生物过程并支撑决策的才是知识；纯数据驱动受限于可测变量远超有效样本的根本约束。

SteeraMed的对应实践：332个模块构成人体尺度表征，每个模块由数据驱动与知识驱动共同定义——文献网络划定模块边界，多组学数据学习模块参数，将数据冗余压缩为模块化知识。在此基础上，深度甲基团队将知识表示再推进一步：不仅要求知识化，还要求定量化——以往衰老标志等生物学知识多由文献综述以定性叙述形式沉淀，可读而不可算；通过为每个模块赋予可测量参数、可组合运算与可迭代更新机制，知识形态由"定性叙述"转化为"可计算、可迭代、可进化的定量实体"。

3.3 还原论的局限

综述指出，生命系统的整体性与涌现效应（通路冗余、代偿激活、反馈回路）使单一靶点干预常被代偿机制抵消，须转向网络级评估体系。

SteeraMed的对应实践：332个模块构成相互作用网络，模块间冗余、代偿、反馈关系在网络结构中显式建模；虚拟患者推演网络级动态而非单点扰动。

4 验证之问4.1 纸面指标与真实价值的脱节

综述指出，AUC等通用指标与真实决策场景严重脱节，验证须从"模型指标验证"转向"研发过程验证"；模型价值应为临床成功率提升与适用域广度之积。

SteeraMed的对应实践：SteeraMed Bench构建量化评价框架，将衰老钟与生物标志物模型的可靠性评价转化为可复现、可审计的分数。

4.2 前瞻性验证的缺位

综述警示，多数模型高性能源于训练与测试集不合理拆分造成的"信息泄露"；自2016年欧盟Avicenna计划提出虚拟临床试验概念以来，患者个体级的前瞻性疗效预测验证长期缺位。

SteeraMed的对应实践：以复测闭环完成个体级前瞻验证——预测个体干预响应，干预一个周期后复测，指标改善则预测得到支持，未改善则修正模型，形成"预测—干预—复测—修正"闭环。

5 结语

该综述将AI制药的核心问题系统化呈现，归结为对一张模块地图的追问：数据与知识双驱动定义、网络级建模、能推演干预响应、可被复测验证。SteeraMed的三步工程化路径——量化评价（Bench）、虚拟患者预测（可驾驭世界模型）、复测验证（闭环）——正是对这一追问的施工方案。

编者按（以下为深度甲基编辑观点，非论文内容）： 在我们论文构建的332个模块中，aging hallmarks（衰老标志）是重点模块——它是跨疾病、跨器官的功能枢纽。建模之外，团队为应用端打造了map.steeramed.com，建立在独有数据集成之上，将模块地图转化为可实操的解决方案；map模块与Capome多维衰老检测，即以AI学习好的module定义开展产业应用。

长寿医学与世界模型AI4S在此意义上是一体两面：同一张模块地图，药物一侧问响应，人体一侧问衰老。二者通过数据飞轮相互咬合——检测数据持续训练世界模型，模型预测指导下一轮干预，干预结果以复测数据回流，形成"检测—建模—预测—干预—复测"的自我强化循环。

参考文献

[1] Bender A, Thomas M C, Scannell J W, et al. Artificial intelligence in drug discovery: what it is, where we stand and the path forward. Nature Reviews Drug Discovery, 2026. DOI: 10.1038/s41573-026-01496-2.

[2] Xiong J, Xia Q. Toward a Self-Learning AI Agent for Drug Repurposing: Building Human-Scale Representations for Virtual Patients. Preprints, 2026. DOI: 10.20944/preprints202608.0998.v1.

转载本文请联系原作者获取授权，同时请注明本文来自熊江辉科学网博客。
链接地址：https://blog.sciencenet.cn/blog-508476-1548677.html

上一篇：从虚拟细胞到虚拟患者：SteeraMed Bench 为可驾驭医学世界模型提供坐标系


欢迎参加科学网十佳博文评选活动！

主办单位：    支持单位：